指纹识别模型构建方法、存储介质及计算机设备技术

本申请提供了一种基于Resnet与Triplet Loss的指纹识别模型构建方法，其包括，构建N组初始样本；利用Triplet Loss训练N组初始样本，得到N组训练样本；将N组训练样本输入至初始Resnet模型中对初始Resnet模型进行训练得到待测目标Resnet模型；将两组测试样本输入待测目标Resnet模型中进行计算得到两组图像特征量；利用预设算法计算两组图像特征量之间的最大的余弦相似度；判断最大的余弦相似度是否大于或者等于预设值；根据待测目标Resnet模型生成目标Resnet模型；或者，构建M组初始样本并将M组训练样本输入至待测目标Resnet模型中对待测目标Resnet模型进行训练。本申请还提供了一种存储介质和计算机设备。上述方法通过Resnet与Triplet Loss共同构建的指纹识别模型有效的解决了窄边指纹匹配识别的问题。的解决了窄边指纹匹配识别的问题。的解决了窄边指纹匹配识别的问题。

【技术实现步骤摘要】
指纹识别模型构建方法、存储介质及计算机设备


[0001]本申请涉及指纹识别领域，尤其涉及一种指纹识别模型构建方法、存储介质及计算机设备。

技术介绍

[0002]当今社会，科学技术不断快速发展，手机、电脑等电子设备更新换代频繁，利用指纹进行身份验证、识别变的流行起来。指纹是具有高度辨识性和唯一性人体生物特征，且具有采集容易、安全性高等特点，指纹识别是当前生物特征识别技术的主要方式之一。随着生物识别技术发展，屏下指纹识别技术有向侧边指纹转变的趋势。侧边指纹采集所需要设备感应面积更小、应用更方便等特点，但是所采集的指纹图像呈细长条形，有用指纹信息少，录入和解锁指纹的方向、位置可能会相差很大，这给指纹识别中拒真和认假带来挑战。
[0003]因此，如何获取能够对窄边指纹进行准确匹配识别的模型是亟需解决的问题。

技术实现思路

[0004]本申请提供一种指纹识别模型构建方法、存储介质及计算机设备，可以有效的实现窄边指纹的匹配与识别。
[0005]第一方面，本申请实施例提供一种基于Resnet与Triplet Loss的指纹识别模型构建方法，基于Resnet与Triplet Loss的指纹识别模型构建方法包括：构建N组初始样本，N组初始样本中每一组初始样本包括锚样本、正样本和负样本，锚样本、正样本和负样本为正方形图像，N为大于1的整数；利用Triplet Loss训练N组初始样本，得到N组训练样本，N组训练样本中每一训练样本包括第一训练样本和第二训练样本，第一训练样本为锚样本和正样本生成的样本，第二训练样本为锚样本和负样本生成的样本；将N组训练样本输入至初始Resnet模型中对初始Resnet模型进行训练得到待测目标Resnet模型；将两组测试样本输入待测目标Resnet模型中进行计算得到两组图像特征量，两组测试样本取样于同一根手指，两组测试样本中每一组测试样本包括X张正方形图像，X为大于1的整数；利用预设算法计算两组图像特征量之间的最大的余弦相似度；判断最大的余弦相似度是否大于或者等于预设值；当最大的余弦相似度大于或者等于预设值时，根据待测目标Resnet模型生成目标Resnet模型；当最大的余弦相似度小于预设值时，构建M组初始样本并将M组训练样本输入至待测目标Resnet模型中对待测目标Resnet模型进行训练，M为大于1的整数。
[0006]第二方面，本申请实施例提供一种存储介质，存储介质上存储程序指令，程序指令被处理器执行以实现上述的基于Resnet与Triplet Loss的指纹识别模型构建方法。
[0007]第三方面，本申请实施例提供一种计算机设备，计算机设备包括：存储器，用于存储程序指令；处理器，用于执行程序指令以使计算机设备实现上述的基于Resnet与Triplet Loss的指纹识别模型构建方法。
[0008]第四方面，本申请实施例提供一种基于Resnet与Triplet Loss的指纹识别模型构建方法，基于Resnet与Triplet Loss的指纹识别模型构建方法包括：初始样本构建模块：构建输入Triplet Loss模块的初始样本，初始样本包括锚样本、正样本和负样本，锚样本、正样本和负样本为正方形图像，N为大于1的整数；Triplet Loss模块：将初始样本训练为训练样本，训练样本包括第一训练样本和第二训练样本，第一训练样本为锚样本和正样本生成的样本，第二训练样本为锚样本和负样本生成的样本；训练模块：将训练样本输入至初始Resnet模型中对初始Resnet模型进行训练得到待测目标Resnet模型；检测模块：判断待测目标Resnet模型的识别能力是否达到预设标准；当待测目标Resnet模型的识别能力达到预设标准时，将待测目标Resnet模型生成目标Resnet模型；当待测目标Resnet模型的识别能力未达到预设标准时，初始样本构建模块继续构建输入Triplet Loss模块的初始样本并将初始样本添加至Triplet Loss模块。
[0009]上述，基于Resnet与Triplet Loss的指纹识别模型构建方提出一种基于Resnet网络和Triplet Loss相结合的窄边指纹匹配算法以解决窄边指纹难以匹配解锁问题。首先，本申请采用Triplet Loss学习减少正样本（来自同一手指）之间距离，拉大负样本（来自不同手指）之间距离，从而正样本或者负样本具有明显的相同特征或者不同特征，其次再利用训练好的正样本和负样本对Resnet网络进行训练，并对通过两组来自同一个手指的指纹图像对训练好的Resnet网络进行检验，直至Resnet网络输出的特征可以表示出来自同一根手指的不同采集角度的指纹图像并完成指纹识别模型的构建。由于Resnet网络训练时采用了Triplet Loss学习出来的正样本和负样本，从而使训练出来的Resnet网络对于提取来来自一个手指或者来自不同的指纹图像的特征更加灵敏和精准，适用于较小的指纹图像之间的比对。另外，由于Resnet网络为轻量型网络，在提取指纹特征时运算量较小，降低了存储空间。此外，训练好的网络模型已经得到校验，从而可以直接拷入模组运行，提升了该Resnet与Triplet Loss的指纹识别模型的可以移植性。
附图说明
[0010]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0011]图1为本申请第一实施例提供的基于Resnet与Triplet Loss的指纹识别模型构建方法的流程图。
[0012]图2为本申请第一实施例提供的基于Resnet与Triplet Loss的指纹识别模型构建方法的第一子流程图。
[0013]图3为本申请第一实施例提供的基于Resnet与Triplet Loss的指纹识别模型构建方法的第二子流程图。
[0014]图4为本申请第一实施例提供的基于Resnet与Triplet Loss的指纹识别模型构建方法的第三流程图。
[0015]图5为本申请第一实施例提供的基于Resnet与Triplet Loss的指纹识别模型构建方法的第四子流程图。
[0016]图6为本申请第二实施例提供的基于Resnet与Triplet Loss的指纹识别模型构建方法的子流程图。
[0017]图7为本申请第一实施例提供的获取正样本示意图。
[0018]图8为本申请第一实施例提供的初始样本示意图。
[0019]图9为本申请第一实施例提供的计算机设备示意图。
[0020]图中各元件标号900计算机设备901存储器902处理器903总线904显示组件905通信组件700样本指纹图像701左右平移得到的正样本702上下平移得到的正样本703随机旋转得到的正样本704随机平移得到的正样本710锚样本720正样本730负样本800初始样本
...

【技术保护点】

【技术特征摘要】
1.一种基于Resnet与Triplet Loss的指纹识别模型构建方法，其特征在于，所述基于Resnet与Triplet Loss的指纹识别模型构建方法包括：构建N组初始样本，所述N组初始样本中每一组初始样本包括锚样本、正样本和负样本，所述锚样本、所述正样本和所述负样本为正方形图像，N为大于1的整数；利用Triplet Loss训练所述N组初始样本，得到N组训练样本，所述N组训练样本中每一组训练样本包括第一训练样本和第二训练样本，所述第一训练样本为所述锚样本和所述正样本生成的样本，所述第二训练样本为所述锚样本和所述负样本生成的样本；将所述N组训练样本输入至初始Resnet模型中对所述初始Resnet模型进行训练得到待测目标Resnet模型；将两组测试样本输入所述待测目标Resnet模型中进行计算得到两组图像特征量，所述两组测试样本取样于同一根手指，所述两组测试样本中每一组测试样本包括X张正方形图像，X为大于1的整数；利用预设算法计算所述两组图像特征量之间的最大的余弦相似度；判断所述最大的余弦相似度是否大于或者等于预设值；当所述最大的余弦相似度大于或者等于所述预设值时，根据所述待测目标Resnet模型生成目标Resnet模型；以及当所述最大的余弦相似度小于所述预设值时，构建M组初始样本并将所述M组训练样本输入至所述待测目标Resnet模型中对所述待测目标Resnet模型进行训练，M为大于1的整数。2.如权利要求1所述的基于Resnet与Triplet Loss的指纹识别模型构建方法，其特征在于，构建N组初始样本，具体包括：利用预设正方形在样本指纹图像上截取N1个锚样本，所述预设正方形的边长等于所述样本指纹图像的短边的长度, N1< N ,N1是大于1的整数；根据预设第一规则获取与所述N1个锚样本中每一个锚样本对应的N2个正样本，N2为大于1的整数；根据预设第二规则获取与所述N1个锚样本中每一个锚样本对应的N3个负样本，N3为大于1的整数； 以及根据预设第三规则将所述N1个锚样本和与所述N1个锚样本中每一个锚样本对应的N2个正样本和N3个负样本生成所述N组初始样本。3.如权利要求2所述的基于Resnet与Triplet Loss的指纹识别模型构建方法，其特征在于，根据预设第一规则获取与所述N1个锚样本中每一个锚样本对应的N2个正样本，具体包括：将所述每一个锚样本进行左右平移、上下平移、随机平移或随机旋转操作获取N20个正样本，N2< N20 ，N20为大于1的整数；计算所述N20个正样本中每一个正样本与对应的锚样本之间的图像重合率；以及筛选出所述图像重合率大于第一预设值的所述N2个正样本。4.如权利要求2所述的基于Resnet与Triplet Loss的指纹识别模型构建方法，其特征在于，根据预设第二规则获取与所述N1个锚样本中每一个锚样本对应的N3个负样本，具体包括：
将所述预设正方形在非获取当前锚样本的其他样本指纹图像上任意移动，获取N30个负样本，N3< N30，N30为大于1的整数；计算所述N30个负样本中每一个负样本与对应的锚样本之间的相似度；以及筛选出所述相似度大于第二预设值的所述N3个负样本。5.如权利要求4所述的基于Re...

【专利技术属性】
技术研发人员：侯舒文，尹鹏帅，陈子豪，杨光兴，
申请(专利权)人：深圳阜时科技有限公司，
类型：发明
国别省市：